[发明专利]文档图像中的表格底部有编号附注识别技术

权利要求书

1.一种文档图像中的表格底部有编号附注识别方法，其特征在于，包括以下步骤：

利用预先获取到页面信息，去除页面中的页眉页脚元素；

获取表格结束后的第一个页面元素；

对上述页面元素进行纯文本判断，根据判断结果决定是否需要判断后面的页面元素；

针对上述获取到的纯文本内容，进行必要的预处理；

针对上述预处理后的文本进行多种正则表达式匹配；

根据上述匹配结果，判断目标文本是否为有编号附注起始行或无编号附注，寻找潜在的有编号附注起始行；

针对被判断为有编号底部附注的文本，进行编号模式获取；

根据获取到的编号模式，对目标文本后面的文本进行正则表达式匹配，寻找有编号附注结束位置。

2.根据权利要求1所述的方法，其特征在于，获取表格结束后的第一个页面元素的步骤包括：

从页面底部开始，对页面内的元素进行遍历，并进行判断；

若上述过程未在当前页面找到目标页面元素，则在下一页从页面顶部开始遍历寻找。

3.根据权利要求1所述的方法，其特征在于，针对上述获取到的纯文本内容，进行必要的预处理的步骤包括：

将文本中的所有中文符号替换为英文符号；

将编号类的特殊字符替换为普通字符的组合；

去除文本两端的多余空格。

4.根据权利要求1所述的方法，其特征在于，针对上述预处理后的文本进行多种正则表达式匹配的步骤包括：

匹配单独一行，且以冒号结尾的文本；

匹配符合“^附？注释？\(？[1ai一]\)？[：、]？”正则表达式的文本；

匹配符合“(说明|情况)：？$”止则表达式的文本，同时后面紧跟含有“√适用 □不适用”、“□适用 √不适用”、“情况说明(如果有多项，请分列说明)：”等的文本；

匹配符合“^\(？[1a一i]\)？”正则表达式，且以句号结尾的文本；

匹配以”说明：？”结尾，且下一行以”注”开头的文本。

5.根据权利要求1所述的方法，其特征在于，针对被判断为有编号底部附注的文本，进行编号模式获取的步骤包括：

匹配符合“^\(？1ai一)？[\.、 ：\s]”正则表达式的文本；

匹配第一个预期有编号的文字行以数字开头，数字与下一个字符之间有超过1个字符宽度的距离的文本；第一个预期有编号的文字行下方的最近的3个文字行，依次判定，存在一行有符合“^注1：”正则表达式的文本。

6.根据权利要求1所述的方法，其特征在于，根据获取到的编号模式，对目标文本后面的文本进行正则表达式匹配，寻找有编号附注结束位置的步骤包括：

通过编号模式的两个属性：编号模板，自增序列，利用正则表达式尝试匹配潜在的有编号附注起始行后的文本；

针对上述结果，若本编号对应的内容都已经结束的情况下，下一行内容的起始位置不符合编号模式，那么认为附注结束。